opencv中fast特征匹配_视觉SLAM——特征点法

一个完整的SLAM系统分为前端和后端，前端也就是我们所说的视觉里程计，它是来根据相邻图片来估计相机之间的运动。视觉里程计的算法主要分为两大类别：特征点法和直接法。本次记录了特征点法学习的部分内容，特征点法的原理，并且进行了相关实验。

特征点法首先顾名思义就是要找到特征点，即从相机的图片间选出有代表性的点，因为直接从图像矩阵的层面去进行运动估计，过程很难实现。

在SLAM中我们希望特征点能够拥有以下特点：

• 可重复性（在不同的图像中可以找到相同的特征）
• 可区别性（不同的特征点有不同的表达）
• 高效性（在一张图片中，特征点的数量远远小于整个图片的像素点）
• 本地性（每一个特征点仅与自己附近的一小片区域有关联）

我们可以把图像中的角点，边缘和区块都当成图像中具有代表性的地方。但有时候当指出一幅图片中出现相同的边缘较为困难，因为当你沿着边缘移动的时候，图像局部是相似的。对于区块，肯定是最困难的。所以，相对与后两者，角点显然在不同的图像之间的辨识度更强。角点的提取算法有很多，比如：Harris角点，FAST角点，GFTT角点等。

但是在很多场合，单纯的角点不能满足很多需求，比如从很远的地方看是一个焦点，但是当相机靠近之后就会出现可能不是角点的情况；或者当相机旋转，此时也会出现不能辨认出角点的情况。此时就出现了一些优秀的算法，SIFT，SURF，ORB等。本文对ORB做简单的说明。

特征点由关键点和描述子组成。

关键点&